
from plotly.offline import init_notebook_mode, iplot
init_notebook_mode(connected=False)
import plotly.io as pio
import plotly.graph_objects as go

pio.renderers.default = 'notebook+jupyterlab'

pio.templates['slides'] = go.layout.Template(layout=dict(width=800, height=550))
pio.templates.default = 'plotly+slides'
import pandas as pd
import matplotlib.pyplot as plt
import statistics
import numpy as np
import plotly.express as px
from plotly.offline import plot
from plotly.subplots import make_subplots
import seaborn as sns
import scipy.stats as stats
import statsmodels.api as sm
from statsmodels.formula.api import ols
import datetime
import pylab
import math


covid_df = pd.read_csv('../data/owid-covid-data.csv')


covid_df = covid_df[['continent', 'location', 'date', 'total_cases',  'new_cases', 'total_cases_per_million', 'new_cases_per_million', 'total_deaths', 'new_deaths', 'total_deaths_per_million', 'new_deaths_per_million', 'total_vaccinations', 'people_vaccinated', 'people_fully_vaccinated', 'people_fully_vaccinated_per_hundred', 'population']]


covid_df.columns = ['Continent', 'Location', 'Date', 'TotalCases',  'NewCases', 'TotalCases_per_million', 'NewCases_per_million', 'TotalDeaths', 'NewDeaths', 'TotalDeaths_per_million', 'NewDeaths_per_million', 'TotalVaccinations', 'PeopleVaccinated', 'PeopleFullyVaccinated', 'PeopleFullyVaccinated_per_hundred', 'Population']


print("Ta thấy vẫn còn nhiều ô nhận giá trị NULL, ta sẽ chuẩn hoá giá trị trong các cột này")
covid_df.isnull().sum()

Ta thấy vẫn còn nhiều ô nhận giá trị NULL, ta sẽ chuẩn hoá giá trị trong các cột này

Continent                              9956
Location                                  0
Date                                      0
TotalCases                             3033
NewCases                               3193
TotalCases_per_million                 3791
NewCases_per_million                   3951
TotalDeaths                           20875
NewDeaths                             20839
TotalDeaths_per_million               21620
NewDeaths_per_million                 21584
TotalVaccinations                    121132
PeopleVaccinated                     123339
PeopleFullyVaccinated                126085
PeopleFullyVaccinated_per_hundred    126085
Population                             1075
dtype: int64


t = covid_df[covid_df['Continent'].isna()]
print("Các khu vực không có tên châu lục: \n")
print(t.Location.unique())
print("\nCác giá trị trong cột 'Location' của tập dữ liệu là tên các khu vực trên thế giới, bao gồm cả tên các quốc gia. Vì một số khu vực trong cột `Location` cũng chính là tên châu lục nên giá trị tương ứng trong cột `Continent` đã nhận giá trị NaN. Do vậy, nhóm sẽ chuẩn hoá các giá trị NaN này thành 0")

Các khu vực không có tên châu lục: 

['Africa' 'Asia' 'Europe' 'European Union' 'High income' 'International'
 'Low income' 'Lower middle income' 'North America' 'Oceania'
 'South America' 'Upper middle income' 'World']

Các giá trị trong cột 'Location' của tập dữ liệu là tên các khu vực trên thế giới, bao gồm cả tên các quốc gia. Vì một số khu vực trong cột `Location` cũng chính là tên châu lục nên giá trị tương ứng trong cột `Continent` đã nhận giá trị NaN. Do vậy, nhóm sẽ chuẩn hoá các giá trị NaN này thành 0


t = covid_df[covid_df['Population'].isna()]
print(f"\nMột số khu vực trên thế giới như {t.Location.unique()} chưa có thống kê về dân số trong tập dữ liệu, nên nhóm sẽ bỏ qua các dòng dữ liệu của các khu vực này.")
covid_df = covid_df[~covid_df['Population'].isna()]

Một số khu vực trên thế giới như ['International' 'Northern Cyprus'] chưa có thống kê về dân số trong tập dữ liệu, nên nhóm sẽ bỏ qua các dòng dữ liệu của các khu vực này.


print("Còn lại những cột có dữ liệu bị để trống (NULL) vì vào thời điểm quan sát thì có thể chưa xảy ra ca tử vong, chưa có ca mắc hoặc chưa có vaccine để tiêm phòng... ")
print("Vì thế, nhóm sẽ làm sạch dữ liệu của các cột nhận giá trị NaN khác bằng các số 0")
covid_df = covid_df.replace('', np.nan).fillna(0)

Còn lại những cột có dữ liệu bị để trống (NULL) vì vào thời điểm quan sát thì có thể chưa xảy ra ca tử vong, chưa có ca mắc hoặc chưa có vaccine để tiêm phòng... 
Vì thế, nhóm sẽ làm sạch dữ liệu của các cột nhận giá trị NaN khác bằng các số 0


covid_df.isnull().sum()

Continent                            0
Location                             0
Date                                 0
TotalCases                           0
NewCases                             0
TotalCases_per_million               0
NewCases_per_million                 0
TotalDeaths                          0
NewDeaths                            0
TotalDeaths_per_million              0
NewDeaths_per_million                0
TotalVaccinations                    0
PeopleVaccinated                     0
PeopleFullyVaccinated                0
PeopleFullyVaccinated_per_hundred    0
Population                           0
dtype: int64


covid_world_df = covid_df[covid_df.Location == 'World']
print(f"Dữ liệu về dịch bệnh Covid-19 được thu thập từ ngày {covid_world_df.Date.min()} tới ngày {covid_world_df.Date.max()}")

Dữ liệu về dịch bệnh Covid-19 được thu thập từ ngày 2020-01-22 tới ngày 2022-03-05


covid_df.shape

(165251, 16)


covid_df.head(10)


covid_df.tail(10)


covid_df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 165251 entries, 0 to 166325
Data columns (total 16 columns):
 #   Column                             Non-Null Count   Dtype  
---  ------                             --------------   -----  
 0   Continent                          165251 non-null  object 
 1   Location                           165251 non-null  object 
 2   Date                               165251 non-null  object 
 3   TotalCases                         165251 non-null  float64
 4   NewCases                           165251 non-null  float64
 5   TotalCases_per_million             165251 non-null  float64
 6   NewCases_per_million               165251 non-null  float64
 7   TotalDeaths                        165251 non-null  float64
 8   NewDeaths                          165251 non-null  float64
 9   TotalDeaths_per_million            165251 non-null  float64
 10  NewDeaths_per_million              165251 non-null  float64
 11  TotalVaccinations                  165251 non-null  float64
 12  PeopleVaccinated                   165251 non-null  float64
 13  PeopleFullyVaccinated              165251 non-null  float64
 14  PeopleFullyVaccinated_per_hundred  165251 non-null  float64
 15  Population                         165251 non-null  float64
dtypes: float64(13), object(3)
memory usage: 21.4+ MB


covid_df.describe()


def plot_bar(df, x, y, title):
    figure = px.bar(df, x = x, y = y, color = 'Continent', text = x, orientation='h', height=500,
                    color_discrete_sequence = px.colors.qualitative.Dark2)
    figure.update_layout(title=title, xaxis_title=x, yaxis_title=y, height=600, width= 1400, 
                    yaxis_categoryorder = 'total ascending',
                    uniformtext_minsize=8, uniformtext_mode='hide', template='plotly_dark')
    iplot(figure)


def plot_hbar(df, col, number, title):
    figure = px.bar(df.sort_values(col).tail(number), x = col, y = 'Location', color = 'Continent', text = col, orientation='h', height=700,
                   color_discrete_sequence = px.colors.qualitative.Dark2)
    figure.update_layout(title=title, xaxis_title=col, yaxis_title="Country", height=600, width= 1400, 
                    yaxis_categoryorder = 'total ascending',
                    uniformtext_minsize=8, uniformtext_mode='hide', template='plotly_dark')
    iplot(figure)


def plot_sub_lines(df, x, y1, y2, title):
    fig = make_subplots(rows=2, cols=1, subplot_titles=("Số ca mắc mới mỗi ngày", "Số ca tử vong mới mỗi ngày"))
    fig.add_trace(
        go.Scatter(x=df[x], y = df[y1], mode="lines", name=y1),
        row = 1, 
        col = 1,
    )
    fig.add_trace(
        go.Scatter(x=df[x], y = df[y2], mode="lines", name=y2),
        row = 2, 
        col = 1
    )
    fig.update_layout(height=600, width=1400, title_text=title, template='plotly_dark')
    iplot(fig)


def plot_sub_pies(df, y1, y2, title):
    fig = make_subplots(rows=1, cols=2, subplot_titles=("Tổng dân số ở các khu vực", "Tổng số ca mắc ở các khu vực"), specs=[[{"type": "pie"}, {"type": "pie"}]])
    fig.add_trace(
        go.Pie(values=df[y1], labels=df["Continent"]),
        row = 1, 
        col = 1,
    )
    fig.add_trace(
        go.Pie(values=df[y2], labels=df["Continent"]),
        row = 1, 
        col = 2
    )
    fig.update_layout(height=600, width=1000, title_text=title, template='plotly_dark')
    iplot(fig)


def plot_map(df, col, title, size, range):
    fig = px.scatter_geo(df, locations='Location', locationmode="country names", 
                        color=col, size=size,
                        range_color= range,
                        hover_name='Location',
                        projection="natural earth",
                        title=title, color_continuous_scale="portland")
    fig.update_layout(height=600, width= 1400, 
        template='plotly_dark',
        )
    fig.show()


def plot_pie(df, values, names, title):
    fig = px.pie(df, values=values, names=names, title=title)
    fig.update_layout(height=600, width= 1400, 
        template='plotly_dark',
        )
    iplot(fig)


def plot_scatter(df, _x, _y, title, hover_name):
    fig = px.scatter(df, x=_x, y=_y, color = _y, hover_name= hover_name, title=title, trendline="ols", color_continuous_scale=px.colors.sequential.Turbo)
    fig.update_layout(height=600, width = 1200,
            title= {
                'x':0.5,
                'xanchor': 'center',
                'yanchor': 'top'}
        )
    iplot(fig)


def plot_ticks_vaccine(title):
    bars = []
    bars.append(go.Bar(
        x = covid_world_before_vaccine["Date"],
        y = covid_world_before_vaccine["Mortality"],
        marker={'color': 'yellow'},
        name = 'Before'
    ))
    bars.append(go.Bar(
        x = covid_world_after_vaccine["Date"],
        y = covid_world_after_vaccine["Mortality"],
        marker={'color': 'aqua'},
        name = 'After'
    ))

    fig = go.FigureWidget(data=bars)
    fig.update_layout(height=600, width= 1400, 
        template='plotly_dark',
        title = title
        )
    iplot(fig)


def plot_ticks_variant(df, var, col, title, is_group):
    if is_group:
        df= df.groupby(by=var).agg({var : 'first',col : 'sum'})
    df_omicron = df[df[var] >= date_omicron]
    df_delta = df[df[var] < date_omicron]
    df_delta = df_delta[df_delta[var] >= date_delta]
    bars = []
    bars.append(go.Bar(
        x = df_delta[var],
        y = df_delta[col],
        marker={'color': 'red'},
        name = 'Delta'
    ))
    bars.append(go.Bar(
        x = df_omicron[var],
        y = df_omicron[col],
        marker={'color': 'greenyellow'},
        name = 'Omicron'
    ))

    fig = go.FigureWidget(data=bars)
    fig.update_layout(height=600, width= 1400,
        template='plotly_dark',
        title = title
        )
    iplot(fig)


def get_value(data):
    mean = statistics.mean(data)
    size = len(data)
    df =  size - 1
    one_tailed_prob = (1 - 0.95) / 2
    sd = statistics.stdev(data)
    t_value = stats.t.ppf(1 - one_tailed_prob, df)
    se = sd / math.sqrt(size)
    return mean, t_value, se, size
def get_df_value(n1, n2, s1, s2):
    return (((s1**2 / n1) + (s2**2 / n2))**2) / (((s1**2 / n1)**2 / (n1 - 1)) + ((s2**2 / n2)**2 / (n2 - 1)))
def get_confident_interval(data1, data2):
    mean1, t1, s1, n1 = get_value(data1)
    mean2, t2, s2, n2 = get_value(data2)
    df = get_df_value(n1, n2, s1, s2)
    t = stats.t.ppf(1 - 0.05/2, df)
    s = math.sqrt((s1**2 / n1) + (s2**2 / n2))
    return (mean1 - mean2 - t*s, mean1 - mean2 + t*s)


covid_group_loction = covid_df.copy()
covid_group_loction = covid_group_loction[covid_group_loction.Continent != 0]
covid_group_loction = covid_group_loction.groupby(['Location'])['TotalCases', 'TotalDeaths'].max()
covid_group_loction = covid_group_loction.reset_index()
covid_group_loction['SizeCases'] = covid_group_loction['TotalCases'].pow(0.3)
covid_group_loction['SizeDeaths'] = covid_group_loction['TotalCases'].pow(0.3)

C:\Users\nguye\AppData\Local\Temp\ipykernel_24464\2878369555.py:3: FutureWarning:

Indexing with multiple keys (implicitly converted to a tuple of keys) will be deprecated, use a list instead.


init_notebook_mode(connected=True)
plot_map(covid_group_loction, "TotalCases", "Tổng quan số ca mắc ở các nước trên thế giới", 'SizeCases', [0, 10**7])


plot_map(covid_group_loction, "TotalDeaths", "Tổng quan số ca tử vong ở các nước trên thế giới", 'SizeDeaths', [0, 10**5])


plot_sub_lines(covid_world_df, 'Date', 'NewCases', 'NewDeaths', "Biểu đồ thể hiện số ca mắc và tử vong mới theo ngày kể từ đầu đại dịch")


covid_world_df_melt = covid_world_df.melt(id_vars="Date", value_vars=['TotalCases', 'TotalDeaths', 'PeopleVaccinated'],
                 var_name='Case', value_name='Count')
fig = px.area(covid_world_df_melt, x="Date", y="Count", color='Case',
title='Tổng số vaccine được tiêm so với tổng số ca mắc và tử vong', color_discrete_sequence = ['orange', 'red','green' ])
fig.update_layout(template='plotly_dark',height=600, width= 1400)
fig.show()


covid_continent = covid_df.groupby(by = 'Location').agg({'Continent' : 'first','TotalCases': 'max', 'Population': 'max'})
covid_continent = covid_continent.groupby(by = "Continent").agg({'Continent' : 'first','TotalCases': 'sum', 'Population': 'sum'})
covid_continent = covid_continent[covid_continent.Continent != 0]
covid_continent


plot_sub_pies(covid_continent, "Population", "TotalCases","Biểu đồ trực quan về dân số và tổng số ca mắc của các khu vực trên thế giới")


cases_country = covid_df.groupby(by = 'Location').agg({'Continent' : 'first','Location' : 'first', 'TotalCases': 'max', 'Population': 'max'})
cases_country = cases_country[cases_country["Continent"] != 0]
print(f"Tổng số quốc gia có báo cáo số ca mắc: {len(cases_country)}")
cases_country.head()

Tổng số quốc gia có báo cáo số ca mắc: 224


plot_scatter(cases_country, "Population", "TotalCases", "Biểu đồ thể hiện sự tương quan giữa dân số <br> và số ca mắc ở các quốc gia trên thế giới","Location")


res = stats.linregress(cases_country["Population"], cases_country["TotalCases"])


print(f"Ta tính được giá trị P-value = {res.pvalue} < 0.05")
print(f"Ta bác bỏ H0, chấp nhận Ha")

Ta tính được giá trị P-value = 4.0350674184659014e-12 < 0.05
Ta bác bỏ H0, chấp nhận Ha


print(f"Hệ số tương quan R = {res.rvalue}")
print(f"- Độ mạnh trung bình")
print(f"- Chưa thể kết luận ngay dân số có ảnh hưởng đến số ca mắc Covid-19 ở các quốc gia trên thế giới")
print(f"- Còn nhiều yếu tố ảnh hưởng khác như hệ thống y tế, chính sách cách ly của mỗi quốc gia...")

Hệ số tương quan R = 0.4418309554783007
- Độ mạnh trung bình
- Chưa thể kết luận ngay dân số có ảnh hưởng đến số ca mắc Covid-19 ở các quốc gia trên thế giới
- Còn nhiều yếu tố ảnh hưởng khác như hệ thống y tế, chính sách cách ly của mỗi quốc gia...


covid_country = covid_df.copy()
covid_country = covid_country.groupby(by= 'Location').agg({'Continent': 'first', 'Location': 'first', 'TotalCases': 'max', 'TotalDeaths': 'max'})
covid_country = covid_country[covid_country.Continent != 0]


list_country = list([])
list_country = covid_country['Location'].unique().tolist()


covid_country.sort_values('TotalCases', inplace= True, ascending= False)
covid_country


plot_bar(covid_country.head(10), 'TotalCases', 'Location', 'Top 10 quốc gia có số ca mắc nhiều nhất trên thế giới')


covid_country.sort_values('TotalDeaths', inplace= True, ascending= False)
covid_country


plot_bar(covid_country.head(10), 'TotalDeaths', 'Location', '10 quốc gia có số ca tử vong nhiều nhất trên thế giới')


covid_country['Mortality'] = round((covid_country['TotalDeaths']/covid_country['TotalCases']), 4)


covid_country = covid_country.replace('', np.nan).fillna(0)


print("Tỷ lệ tử vong vì dịch bệnh ở các quốc gia trên thế giới")
covid_country

Tỷ lệ tử vong vì dịch bệnh ở các quốc gia trên thế giới


list_top_35_countries_by_GDP_in_2022 = list(['United States', 'China', 'Japan', 'Germany', 'United Kingdom', 'India', 'France', 'Canada', 'Italy', 'Brazil', 'Russia', 'South Korea', 'Australia', 'Iran', 'Spain', 'Mexico', 'Indonesia', 'Saudi Arabia', 'Netherlands', 'Switzerland', 'Taiwan', 'Poland', 'Turkey', 'Sweden', 'Belgium', 'Argentina', 'Norway', 'Thailand', 'Israel', 'Ireland', 'Malaysia', 'United Arab Emirates', 'Austria', 'South Africa', 'Singapore'])

list_worst_35_countries_by_GDP_in_2022 = list(['Vietnam', 'Hong Kong', 'Luxembourg', 'Libya', 'Namibia', 'Kosovo', 'Togo', 'Congo', 'Latvia', 'New Zealand', 'Uruguay', 'South Sudan', 'San Marino', 'Gambia', 'Curacao', 'Sierra Leone', 'New Caledonia', 'Mauritius', 'Chad', 'North Macedonia', 'Syria', 'Malta', 'Laos', 'Albania', 'Afghanistan', 'Zambia', 'Myanmar', 'Cuba', 'Ukraine', 'Qatar', 'Colombia', 'Pakistan', 'Chile', 'Finland', 'Belize'])


covid_data_poor = pd.DataFrame()
covid_data_rick = pd.DataFrame()
def create_data (data, list):
    for i in list:
        data = pd.concat([data, covid_country.loc[covid_country['Location'] == i]]) 
    return data
covid_data_rick = create_data(covid_data_rick, list_top_35_countries_by_GDP_in_2022)
covid_data_poor = create_data(covid_data_poor, list_worst_35_countries_by_GDP_in_2022)


print("35 nước có nền kinh tế phát triển: \n")
print(list_top_35_countries_by_GDP_in_2022)

35 nước có nền kinh tế phát triển: 

['United States', 'China', 'Japan', 'Germany', 'United Kingdom', 'India', 'France', 'Canada', 'Italy', 'Brazil', 'Russia', 'South Korea', 'Australia', 'Iran', 'Spain', 'Mexico', 'Indonesia', 'Saudi Arabia', 'Netherlands', 'Switzerland', 'Taiwan', 'Poland', 'Turkey', 'Sweden', 'Belgium', 'Argentina', 'Norway', 'Thailand', 'Israel', 'Ireland', 'Malaysia', 'United Arab Emirates', 'Austria', 'South Africa', 'Singapore']


print("35 nước có nền kinh tế đang phát triển: \n")
print(list_worst_35_countries_by_GDP_in_2022)

35 nước có nền kinh tế đang phát triển: 

['Vietnam', 'Hong Kong', 'Luxembourg', 'Libya', 'Namibia', 'Kosovo', 'Togo', 'Congo', 'Latvia', 'New Zealand', 'Uruguay', 'South Sudan', 'San Marino', 'Gambia', 'Curacao', 'Sierra Leone', 'New Caledonia', 'Mauritius', 'Chad', 'North Macedonia', 'Syria', 'Malta', 'Laos', 'Albania', 'Afghanistan', 'Zambia', 'Myanmar', 'Cuba', 'Ukraine', 'Qatar', 'Colombia', 'Pakistan', 'Chile', 'Finland', 'Belize']


covid_data_poor = covid_data_poor[['TotalCases', 'TotalDeaths', 'Mortality']]
covid_data_poor['economy'] = 'median'

covid_data_rick = covid_data_rick[['TotalCases', 'TotalDeaths', 'Mortality']]
covid_data_rick['economy'] = 'height'
covid_data_economy = covid_data_poor
covid_data_economy = pd.concat([covid_data_economy, covid_data_rick])
covid_data_economy


def plt_boxplot (data, title):
    plt.figure(figsize = (10, 10))
    sns.boxplot(y='Mortality', x = 'economy', data= data).set(title= title)
    sns.swarmplot(x='economy', y='Mortality', data=data, color='red')
    plt.show()


plt_boxplot (covid_data_economy, 'Biểu đồ phân bố tỉ lệ tử vong giữa nhóm nước phát triển và đang phát triển')
print("Nhận xét:")
print("Qua biểu đồ Boxplot ta thấy miền giá trị của tỷ lệ tử vong do dịch bệnh, cùng với tỷ lệ tử vong trung bình của nhóm nước có nền kinh tế đang phát triển lớn hơn các nước phát triển")

Nhận xét:
Qua biểu đồ Boxplot ta thấy miền giá trị của tỷ lệ tử vong do dịch bệnh, cùng với tỷ lệ tử vong trung bình của nhóm nước có nền kinh tế đang phát triển lớn hơn các nước phát triển


t, p = stats.ttest_ind(covid_data_rick['Mortality'], covid_data_poor['Mortality'])
print ('Giá trị p tính được là kiểm định hai phía: p = ', p)
print ('Vì ta kiểm định 1 phía nên p value = p/2 = ', p/2)
p = p/2
print (f'Ta có p_value = {p} > 0,05 => không thể bác bỏ giả thuyết H0')

Giá trị p tính được là kiểm định hai phía: p =  0.49304175868581457
Vì ta kiểm định 1 phía nên p value = p/2 =  0.24652087934290728
Ta có p_value = 0.24652087934290728 > 0,05 => không thể bác bỏ giả thuyết H0


first_date_vaccine = covid_world_df[covid_world_df['PeopleVaccinated'] != 0].iloc[0]['Date']
print(f"Vaccine được đưa vào sử dụng đầu tiên vào ngày {first_date_vaccine}")

Vaccine được đưa vào sử dụng đầu tiên vào ngày 2020-12-04


covid_world_after_vaccine = covid_world_df[covid_world_df['Date'] >= first_date_vaccine]
covid_world_after_vaccine.head()


covid_world_before_vaccine = covid_world_df[covid_world_df['Date'] < first_date_vaccine]
covid_world_before_vaccine.tail()


plot_scatter(covid_world_after_vaccine, "PeopleVaccinated", "NewCases", "Biểu đồ thể hiện sự tương quan giữa tổng số người tiêm vaccine <br> và số ca mắc mới mỗi ngày trên thế giới", "Date")


res = stats.linregress(covid_world_after_vaccine["PeopleVaccinated"],covid_world_after_vaccine["NewCases"])
print(f"Hệ số tương quan R = {res.rvalue}")
print(f"- Không mạnh, đường tuyến tính đồng biến => Số ca mắc mới mỗi ngày vẫn tăng khi số lượng người tiêm vaccine tăng lên.")
print(f"- Tuy nhiên, để đánh giá mức độ giúp ích của vaccine, ta hãy xét về số ca tử vong mỗi ngày sau khi tiến hành tiêm vaccine.")

Hệ số tương quan R = 0.5081608318814392
- Không mạnh, đường tuyến tính đồng biến => Số ca mắc mới mỗi ngày vẫn tăng khi số lượng người tiêm vaccine tăng lên.
- Tuy nhiên, để đánh giá mức độ giúp ích của vaccine, ta hãy xét về số ca tử vong mỗi ngày sau khi tiến hành tiêm vaccine.


plot_scatter(covid_world_after_vaccine, "PeopleVaccinated", "NewDeaths", "Biểu đồ thể hiện sự tương quan giữa tổng số người tiêm vaccine <br> và số ca tử vong mới mỗi ngày trên thế giới", "Date")


res = stats.linregress(covid_world_after_vaccine["PeopleVaccinated"],covid_world_after_vaccine["NewDeaths"])
print(f"Hệ số tương quan R = {res.rvalue}")
print(f"- Không mạnh, đường khớp dữ liệu là nghịch biến => Vaccine phần nào đã giúp khống chế số ca tử vong mỗi ngày trên thế giới.")
print(f"- Có lẽ vaccine đang thực sự giúp ích cho việc chống đại dịch Covid-19 trên thế giới.")

Hệ số tương quan R = -0.5537746649965218
- Không mạnh, đường khớp dữ liệu là nghịch biến => Vaccine phần nào đã giúp khống chế số ca tử vong mỗi ngày trên thế giới.
- Có lẽ vaccine đang thực sự giúp ích cho việc chống đại dịch Covid-19 trên thế giới.


covid_world_before_vaccine["Mortality"] = round((covid_world_before_vaccine['NewDeaths']/covid_world_before_vaccine['NewCases']), 4)
covid_world_after_vaccine["Mortality"] = round((covid_world_after_vaccine['NewDeaths']/covid_world_after_vaccine['NewCases']), 4)

C:\Users\nguye\AppData\Local\Temp\ipykernel_24464\4284733332.py:1: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

C:\Users\nguye\AppData\Local\Temp\ipykernel_24464\4284733332.py:2: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy


covid_world_before_vaccine = covid_world_before_vaccine.replace('', np.nan).fillna(0)
covid_world_after_vaccine = covid_world_after_vaccine.replace('', np.nan).fillna(0)


covid_world_before_vaccine.head()


covid_world_after_vaccine.head()


plot_ticks_vaccine("Tỉ lệ tử vong các ngày trước và sau khi tiêm vaccine")
print("Từ biểu đồ ta cũng có thể thấy được rằng tỉ lệ tử vong vì Covid-19 trước khi tiêm vaccine lớn hớn so với sau khi tiêm vaccine.")

Từ biểu đồ ta cũng có thể thấy được rằng tỉ lệ tử vong vì Covid-19 trước khi tiêm vaccine lớn hớn so với sau khi tiêm vaccine.


t, p = stats.ttest_ind(covid_world_before_vaccine['Mortality'], covid_world_after_vaccine['Mortality'])
print ('Giá trị p tính được là kiểm định hai phía: p = ', p)
print ('Vì ta kiểm định 1 phía nên p_value = p/2 = ', p/2)
p = p/2
print (f'Ta có p_value = {p} < 0,05 và t = {t} > 0 => Ta bác bỏ giả thuyết H0, chấp nhận Ha')

Giá trị p tính được là kiểm định hai phía: p =  1.3756703062376602e-39
Vì ta kiểm định 1 phía nên p_value = p/2 =  6.878351531188301e-40
Ta có p_value = 6.878351531188301e-40 < 0,05 và t = 13.945868874153058 > 0 => Ta bác bỏ giả thuyết H0, chấp nhận Ha


CI_vaccine = get_confident_interval(covid_world_before_vaccine['Mortality'], covid_world_after_vaccine['Mortality'])
print(f"Khoảng tin cậy 95% cho trung bình tỉ lệ tử vong của các ngày trước so với các ngày sau khi tiêm vaccine: {CI_vaccine}. Hay nói cách khác, trung bình tỉ lệ tử vong vì Covid-19 các ngày trước lớn hơn các ngày sau khi tiêm vaccine trong khoảng đó")

Khoảng tin cậy 95% cho trung bình tỉ lệ tử vong của các ngày trước so với các ngày sau khi tiêm vaccine: (0.020231343924245682, 0.020610953599724247). Hay nói cách khác, trung bình tỉ lệ tử vong vì Covid-19 các ngày trước lớn hơn các ngày sau khi tiêm vaccine trong khoảng đó


covid_compare = covid_world_df[['Date', 'NewCases', 'NewDeaths']]
covid_compare['Date'] = pd.to_datetime(covid_compare['Date'])
covid_compare['Month_Years']=pd.to_datetime(covid_compare['Date']).dt.strftime('%Y-%m')
covid_compare['Mortality'] = covid_compare['NewDeaths'] / covid_compare['NewCases']
covid_compare = covid_compare.replace('', np.nan).fillna(0)
covid_compare

C:\Users\nguye\AppData\Local\Temp\ipykernel_24464\3503548437.py:2: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

C:\Users\nguye\AppData\Local\Temp\ipykernel_24464\3503548437.py:3: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

C:\Users\nguye\AppData\Local\Temp\ipykernel_24464\3503548437.py:4: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy


date_omicron = pd.to_datetime(datetime.date(2021,11,11)).strftime('%Y-%m')
date_delta = pd.to_datetime(datetime.date(2020,12,1)).strftime('%Y-%m')
date_bound = pd.to_datetime(datetime.date(2022,3,1)).strftime('%Y-%m')
covid_compare = covid_compare[covid_compare["Month_Years"] < date_bound]
covid_omicron = covid_compare[covid_compare["Month_Years"] >= date_omicron]
covid_delta = covid_compare[covid_compare["Month_Years"] < date_omicron]
covid_delta = covid_delta[covid_delta["Month_Years"] >= date_delta]


covid_compare.dtypes

Date           datetime64[ns]
NewCases              float64
NewDeaths             float64
Month_Years            object
Mortality             float64
dtype: object


print("Tình hình dịch bệnh khi biến chủng DELTA xuất hiện khoảng tháng 12/2020")
print(covid_delta)

Tình hình dịch bệnh khi biến chủng DELTA xuất hiện khoảng tháng 12/2020
             Date  NewCases  NewDeaths Month_Years  Mortality
163737 2020-12-01  623828.0    12759.0     2020-12   0.020453
163738 2020-12-02  646764.0    12643.0     2020-12   0.019548
163739 2020-12-03  692160.0    12600.0     2020-12   0.018204
163740 2020-12-04  688697.0    12460.0     2020-12   0.018092
163741 2020-12-05  648934.0    10337.0     2020-12   0.015929
...           ...       ...        ...         ...        ...
164067 2021-10-27  520080.0     9178.0     2021-10   0.017647
164068 2021-10-28  463857.0     8801.0     2021-10   0.018974
164069 2021-10-29  508971.0     7873.0     2021-10   0.015468
164070 2021-10-30  389334.0     6001.0     2021-10   0.015414
164071 2021-10-31  346340.0     4483.0     2021-10   0.012944

[335 rows x 5 columns]


print("Tình hình dịch bệnh khi biến chủng OMICRON xuất hiện khoảng tháng 11/2021")
print(covid_omicron)

Tình hình dịch bệnh khi biến chủng OMICRON xuất hiện khoảng tháng 11/2021
             Date   NewCases  NewDeaths Month_Years  Mortality
164072 2021-11-01   421008.0     6276.0     2021-11   0.014907
164073 2021-11-02   426168.0     7283.0     2021-11   0.017090
164074 2021-11-03   538266.0     8416.0     2021-11   0.015635
164075 2021-11-04   523859.0     7605.0     2021-11   0.014517
164076 2021-11-05   520733.0     8611.0     2021-11   0.016536
...           ...        ...        ...         ...        ...
164187 2022-02-24  1755446.0    10735.0     2022-02   0.006115
164188 2022-02-25  1591820.0     9080.0     2022-02   0.005704
164189 2022-02-26  1328773.0     6392.0     2022-02   0.004810
164190 2022-02-27  1065246.0     4417.0     2022-02   0.004146
164191 2022-02-28  1403481.0     7759.0     2022-02   0.005528

[120 rows x 5 columns]


plot_ticks_variant(covid_compare, "Month_Years", "NewCases", 'SỐ CA MẮC MỚI MỖI THÁNG CỦA 2 BIẾN CHỦNG', is_group=True)


plot_ticks_variant(covid_compare, "Month_Years", "NewDeaths", 'SỐ CA TỬ VONG MỚI MỖI THÁNG CỦA 2 BIẾN CHỦNG', is_group=True)


plot_scatter(covid_delta, "NewCases", "NewDeaths", "Biểu đồ thể hiện sự tương quan giữa số ca mắc mới <br> và tử vong mới mỗi ngày của biến thể DELTA", "Date")


res = stats.linregress(covid_delta["NewCases"], covid_delta["NewDeaths"])
print(f"Hệ số tương quan R = {res.rvalue}")
print(f"- Đường tuyến tính tương quan thuận, có độ mạnh trung bình")
print(f"- Với biến chủng DELTA, số ca mắc mới tăng thì số ca tử vong cũng tăng theo")

Hệ số tương quan R = 0.6957555110837915
- Đường tuyến tính tương quan thuận, có độ mạnh trung bình
- Với biến chủng DELTA, số ca mắc mới tăng thì số ca tử vong cũng tăng theo


plot_scatter(covid_omicron, "NewCases", "NewDeaths", "Biểu đồ thể hiện sự tương quan giữa số ca mắc mới <br> và tử vong mới mỗi ngày của biến thể OMICRON", "Date")


res = stats.linregress(covid_omicron["NewCases"], covid_omicron["NewDeaths"])
print(f"Hệ số tương quan R = {res.rvalue}")
print(f"- Đường tuyến tính tương quan thuận, độ mạnh không quá mạnh hoặc yếu, thấp hơn biến thể DELTA.")
print(f"- Với biến chủng OMICRON, số ca mắc mới tăng thì số ca tử vong mới cũng tăng nhưng ít hơn DELTA => Có lẽ ít nguy hiểm hơn DELTA.")
print(f"- Số ca mắc mới của biến thể `OMICRON` tăng nhanh hơn nhiều so với DELTA.")

Hệ số tương quan R = 0.48769221282441555
- Đường tuyến tính tương quan thuận, độ mạnh không quá mạnh hoặc yếu, thấp hơn biến thể DELTA.
- Với biến chủng OMICRON, số ca mắc mới tăng thì số ca tử vong mới cũng tăng nhưng ít hơn DELTA => Có lẽ ít nguy hiểm hơn DELTA.
- Số ca mắc mới của biến thể `OMICRON` tăng nhanh hơn nhiều so với DELTA.


plot_ticks_variant(covid_compare, "Date", "Mortality", "Tỉ lệ tử vong mỗi ngày giữa hai loại biến thể DELTA và OMICRON", is_group=False)
print("Từ biểu đồ ta cũng có thể thấy được rằng tỉ lệ tử vong vì biến thể DELTA lớn hơn OMICRON.")

Từ biểu đồ ta cũng có thể thấy được rằng tỉ lệ tử vong vì biến thể DELTA lớn hơn OMICRON.


t, p = stats.ttest_ind(covid_delta['Mortality'], covid_omicron['Mortality'])
print ('Giá trị p tính được là kiểm định hai phía: p = ', p)
print ('Vì ta kiểm định 1 phía nên p_value = p/2 = ', p/2)
p = p/2
print (f'Ta có p_value = {p} < 0,05 và t = {t} > 0 => Ta bác bỏ giả thuyết H0, chấp nhận Ha')

Giá trị p tính được là kiểm định hai phía: p =  3.763915980121889e-83
Vì ta kiểm định 1 phía nên p_value = p/2 =  1.8819579900609447e-83
Ta có p_value = 1.8819579900609447e-83 < 0,05 và t = 24.09083434337719 > 0 => Ta bác bỏ giả thuyết H0, chấp nhận Ha


CI_variant = get_confident_interval(covid_delta['Mortality'], covid_omicron['Mortality'])
print(f"Khoảng tin cậy 95% cho trung bình tỉ lệ tử vong của biến thể DELTA so với biến thể OMICRON: {CI_variant}. Hay nói cách khác, trung bình tỉ lệ tử vong của biến thể DELTA lớn hơn OMICRON trong khoảng đó")

Khoảng tin cậy 95% cho trung bình tỉ lệ tử vong của biến thể DELTA so với biến thể OMICRON: (0.011384694511358285, 0.01154846269717518). Hay nói cách khác, trung bình tỉ lệ tử vong của biến thể DELTA lớn hơn OMICRON trong khoảng đó

	Continent	Location	Date	TotalCases	NewCases	TotalCases_per_million	NewCases_per_million	TotalDeaths	NewDeaths	TotalDeaths_per_million	NewDeaths_per_million	TotalVaccinations	PeopleVaccinated	PeopleFullyVaccinated	PeopleFullyVaccinated_per_hundred	Population
166316	Africa	Zimbabwe	2022-02-24	234967.0	378.0	15568.801	25.046	5390.0	2.0	357.139	0.133	7858794.0	4351621.0	3384590.0	22.43	15092171.0
166317	Africa	Zimbabwe	2022-02-25	235467.0	500.0	15601.930	33.130	5392.0	2.0	357.271	0.133	7870399.0	4355217.0	3388940.0	22.45	15092171.0
166318	Africa	Zimbabwe	2022-02-26	235803.0	336.0	15624.193	22.263	5393.0	1.0	357.338	0.066	7876942.0	4357938.0	3390880.0	22.47	15092171.0
166319	Africa	Zimbabwe	2022-02-27	235803.0	0.0	15624.193	0.000	5393.0	0.0	357.338	0.000	7882244.0	4359872.0	3392578.0	22.48	15092171.0
166320	Africa	Zimbabwe	2022-02-28	236380.0	577.0	15662.425	38.232	5395.0	2.0	357.470	0.133	7890951.0	4362150.0	3396655.0	22.51	15092171.0
166321	Africa	Zimbabwe	2022-03-01	236871.0	491.0	15694.959	32.533	5395.0	0.0	357.470	0.000	7901360.0	4365856.0	3399915.0	22.53	15092171.0
166322	Africa	Zimbabwe	2022-03-02	237503.0	632.0	15736.835	41.876	5396.0	1.0	357.536	0.066	7910740.0	4368726.0	3402434.0	22.54	15092171.0
166323	Africa	Zimbabwe	2022-03-03	237503.0	0.0	15736.835	0.000	5396.0	0.0	357.536	0.000	7921113.0	4372925.0	3406482.0	22.57	15092171.0
166324	Africa	Zimbabwe	2022-03-04	238739.0	1236.0	15818.731	81.897	5397.0	1.0	357.603	0.066	7930621.0	4374896.0	3408609.0	22.59	15092171.0
166325	Africa	Zimbabwe	2022-03-05	239019.0	280.0	15837.284	18.553	5397.0	0.0	357.603	0.000	0.0	0.0	0.0	0.00	15092171.0

	TotalCases	NewCases	TotalCases_per_million	NewCases_per_million	TotalDeaths	NewDeaths	TotalDeaths_per_million	NewDeaths_per_million	TotalVaccinations	PeopleVaccinated	PeopleFullyVaccinated	PeopleFullyVaccinated_per_hundred	Population
count	1.652510e+05	1.652510e+05	165251.000000	165251.000000	1.652510e+05	165251.000000	165251.000000	165251.000000	1.652510e+05	1.652510e+05	1.652510e+05	165251.000000	1.652510e+05
mean	2.505992e+06	1.142253e+04	28963.765115	163.534992	5.075483e+04	150.669212	446.055149	1.477463	4.703560e+07	2.292889e+07	1.691146e+07	7.905456	1.474332e+08
std	1.534516e+07	8.389329e+04	51560.618799	677.401746	2.840557e+05	782.870221	753.155897	4.852677	4.133728e+08	2.073323e+08	1.652634e+08	19.519701	7.054923e+08
min	0.000000e+00	0.000000e+00	0.000000	0.000000	0.000000e+00	0.000000	0.000000	0.000000	0.000000e+00	0.000000e+00	0.000000e+00	0.000000	4.700000e+01
25%	1.739000e+03	0.000000e+00	533.510000	0.000000	2.400000e+01	0.000000	6.466000	0.000000	0.000000e+00	0.000000e+00	0.000000e+00	0.000000	1.172369e+06
50%	2.464500e+04	7.400000e+01	4457.275000	10.425000	3.850000e+02	1.000000	72.774000	0.031000	0.000000e+00	0.000000e+00	0.000000e+00	0.000000	8.478242e+06
75%	2.891110e+05	1.029000e+03	36582.431500	97.800500	5.356000e+03	14.000000	581.888000	1.032000	5.999550e+04	1.400250e+04	0.000000e+00	0.000000	3.393361e+07
max	4.451295e+08	4.206334e+06	706541.904000	51427.491000	5.995245e+06	18020.000000	6322.263000	453.772000	1.085079e+10	4.976031e+09	4.400787e+09	121.450000	7.874966e+09

	Continent	Location	TotalCases	Population
Location
Afghanistan	Asia	Afghanistan	174331.0	39835428.0
Albania	Europe	Albania	272030.0	2872934.0
Algeria	Africa	Algeria	265227.0	44616626.0
Andorra	Europe	Andorra	38434.0	77354.0
Angola	Africa	Angola	98796.0	33933611.0

	Location	Date	TotalCases	NewCases	TotalCases_per_million	NewCases_per_million	TotalDeaths	NewDeaths	TotalDeaths_per_million	NewDeaths_per_million	Population	Mortality
163423	World	2020-01-22	557.0	0.0	0.071	0.000	17.0	0.0	0.002	0.000	7.874966e+09	0.0000
163424	World	2020-01-23	657.0	100.0	0.083	0.013	18.0	1.0	0.002	0.000	7.874966e+09	0.0100
163425	World	2020-01-24	944.0	287.0	0.120	0.036	26.0	8.0	0.003	0.001	7.874966e+09	0.0279
163426	World	2020-01-25	1437.0	493.0	0.182	0.063	42.0	16.0	0.005	0.002	7.874966e+09	0.0325
163427	World	2020-01-26	2120.0	683.0	0.269	0.087	56.0	14.0	0.007	0.002	7.874966e+09	0.0205

	Date	NewCases	NewDeaths	Month_Years	Mortality
163423	2020-01-22	0.0	0.0	2020-01	0.000000
163424	2020-01-23	100.0	1.0	2020-01	0.010000
163425	2020-01-24	287.0	8.0	2020-01	0.027875
163426	2020-01-25	493.0	16.0	2020-01	0.032454
163427	2020-01-26	683.0	14.0	2020-01	0.020498
...	...	...	...	...	...
164192	2022-03-01	1536867.0	8069.0	2022-03	0.005250
164193	2022-03-02	1651452.0	7945.0	2022-03	0.004811
164194	2022-03-03	1887465.0	8384.0	2022-03	0.004442
164195	2022-03-04	1704138.0	8771.0	2022-03	0.005147
164196	2022-03-05	1361810.0	5443.0	2022-03	0.003997

Code¶

Nhóm 13¶

Thành viên¶

Tiền xử lý dữ liệu¶

Import library¶

Đọc và làm sạch dữ liệu¶

Lấy các biến cần thiết¶

Thay đổi tên các biến¶

Kiểm tra dữ liệu¶

Các khu vực không có tên châu lục¶

Các khu vực không có thông kê dân số¶

Clean Data¶

Thời gian thu thập dữ liệu về dịch bệnh¶

Chi tiết về dữ liệu¶

Hình thái dữ liệu¶

10 quan sát đầu tập dữ liệu¶

10 quan sát cuối tập dữ liệu¶

Trực quan hoá dữ liệu¶

Kết quả thực nghiệm¶

Câu 1: Dân số có phải là nguyên nhân dẫn tới việc gia tăng số ca mắc ở các quốc gia? (X: Population, Location) (Y:TotalCases)¶

Câu 3: Khi vaccine được phổ biến, điều đó có giúp ích cho việc chống đại dịch Covid-19 trên thế giới? (X: Date, PeopleVaccinated, NewCases, NewDeaths) (Y: Tỉ lệ tử vong)¶

Câu 4: Biến thể Omicron xuất hiện vào khoảng 11/2021 có gây nguy hiểm không? So sánh với biến thể Delta xuất hiện vào tháng 12/2020. (X: Date, NewCases, NewDeaths) (Y: Tỉ lệ tử vong)¶

	Continent	Location	Date	TotalCases	NewCases	TotalCases_per_million	NewCases_per_million	Population
0	Asia	Afghanistan	2020-02-24	5.0	5.0	0.126	0.126	39835428.0
1	Asia	Afghanistan	2020-02-25	5.0	0.0	0.126	0.000	39835428.0
2	Asia	Afghanistan	2020-02-26	5.0	0.0	0.126	0.000	39835428.0
3	Asia	Afghanistan	2020-02-27	5.0	0.0	0.126	0.000	39835428.0
4	Asia	Afghanistan	2020-02-28	5.0	0.0	0.126	0.000	39835428.0
5	Asia	Afghanistan	2020-02-29	5.0	0.0	0.126	0.000	39835428.0
6	Asia	Afghanistan	2020-03-01	5.0	0.0	0.126	0.000	39835428.0
7	Asia	Afghanistan	2020-03-02	5.0	0.0	0.126	0.000	39835428.0
8	Asia	Afghanistan	2020-03-03	5.0	0.0	0.126	0.000	39835428.0
9	Asia	Afghanistan	2020-03-04	5.0	0.0	0.126	0.000	39835428.0

	Continent	Location	TotalCases	TotalDeaths
Location
United States	North America	United States	79265726.0	958437.0
India	Asia	India	42962953.0	515036.0
Brazil	South America	Brazil	29040800.0	652216.0
France	Europe	France	23064766.0	139312.0
United Kingdom	Europe	United Kingdom	19172095.0	162152.0
...	...	...	...	...
Nauru	Oceania	Nauru	0.0	0.0
Guernsey	Europe	Guernsey	0.0	0.0
Tokelau	Oceania	Tokelau	0.0	0.0
Tuvalu	Oceania	Tuvalu	0.0	0.0
Niue	Oceania	Niue	0.0	0.0

	TotalCases	TotalDeaths	Mortality	economy
Location
Vietnam	4232520.0	40726.0	0.0096	median
Hong Kong	440609.0	1774.0	0.0040	median
Luxembourg	186360.0	996.0	0.0053	median
Libya	497279.0	6288.0	0.0126	median
Namibia	157324.0	4013.0	0.0255	median
...	...	...	...	...
Malaysia	3595172.0	33173.0	0.0092	height
United Arab Emirates	882477.0	2301.0	0.0026	height
Austria	2839297.0	14986.0	0.0053	height
South Africa	3683172.0	99543.0	0.0270	height
Singapore	819663.0	1073.0	0.0013	height

	Location	Date	TotalCases	NewCases	TotalCases_per_million	NewCases_per_million	TotalDeaths	NewDeaths	TotalDeaths_per_million	NewDeaths_per_million	TotalVaccinations	PeopleVaccinated	Population
163740	World	2020-12-04	66049040.0	688697.0	8387.216	87.454	1576378.0	12460.0	200.176	1.582	1.0	1.0	7.874966e+09
163741	World	2020-12-05	66697974.0	648934.0	8469.621	82.405	1586715.0	10337.0	201.488	1.313	1.0	1.0	7.874966e+09
163742	World	2020-12-06	67234273.0	536299.0	8537.723	68.102	1594444.0	7729.0	202.470	0.981	1.0	1.0	7.874966e+09
163743	World	2020-12-07	67761913.0	527640.0	8604.725	67.002	1603158.0	8714.0	203.577	1.107	2.0	2.0	7.874966e+09
163744	World	2020-12-08	68405171.0	643258.0	8686.409	81.684	1615473.0	12317.0	205.140	1.564	8.0	8.0	7.874966e+09

	Location	Date	TotalCases	NewCases	TotalCases_per_million	NewCases_per_million	TotalDeaths	NewDeaths	TotalDeaths_per_million	NewDeaths_per_million	Population
163735	World	2020-11-29	62890192.0	482385.0	7986.091	61.256	1516949.0	7295.0	192.629	0.926	7.874966e+09
163736	World	2020-11-30	63397591.0	507399.0	8050.523	64.432	1525916.0	8967.0	193.768	1.139	7.874966e+09
163737	World	2020-12-01	64021419.0	623828.0	8129.739	79.217	1538675.0	12759.0	195.388	1.620	7.874966e+09
163738	World	2020-12-02	64668183.0	646764.0	8211.868	82.129	1551318.0	12643.0	196.994	1.605	7.874966e+09
163739	World	2020-12-03	65360343.0	692160.0	8299.762	87.894	1563918.0	12600.0	198.594	1.600	7.874966e+09